Il y a AWS, Microsoft et Google Cloud ; mais n’oublions pas Alibaba Cloud.

On nous a fait la remarque au Google Cloud Summit Paris 2026. Nous nous intéressions à la façon dont clients et partenaires percevaient la constitution des stacks agentiques chez les « trois grands » clouders américains. Avec un angle en particulier : convergence ou divergence ?

Alibaba nous a été mentionné pour sa promptitude à implémenter OpenClaw / Hermes, à l’appui d’une sandbox spécifique. NVIDIA a souvent été cité en parallèle, lui qui s’est aussi positionné sur le sujet, sous la bannière OpenShell.

Google Cloud, en avance sur les modèles first-party

Des TPU aux agents prépackagés, le niveau de maîtrise de Google Cloud sur sa stack n’a pas échappé aux participants (quelque 3600 annoncés). Et la marque Gemini Enterprise Agent Platform, forme de rebrand de Vertex AI, semble avoir fait son effet.

Cette maîtrise – ou tout du moins sa démonstration – a particulièrement transparu au niveau des LLM. Dans la keynote introductrice du Summit, il n’y en a guère eu que pour Gemini. Une famille qui s’oriente de plus en plus ouvertement sur la « quadrimodalité » (texte, image, audio, vidéo). Gemini Omni et Gemma 4 en sont les derniers témoins. On nous a rappelé, à ce propos, que Gartner avait classé Google comme « leader » sur la multimodalité.

AWS a aussi des modèles maison (Nova). Mais le marché se montre bien plus circonspect à leur égard. Si bien qu’il assimile encore la filiale d’Amazon à un broker de LLM. Quant à Microsoft, en conséquence de son partenariat pour le moins étroit avec OpenAI, il s’est diversifié tardivement. Son catalogue comprend des modèles first-party, mais qui ne sont pas encore passés à l’échelle.

Sur la data, un Microsoft plus « siloté », un AWS plus « agnostique »

Des divergences, il y en a aussi côté data. Dans ces métiers, on a tendance à considérer le socle Microsoft Foundry comme plus fragmenté que les piles de Google Cloud et d’AWS. Ce dernier a une approche plus agnostique (« venez comme vous êtes »), nous indique-t-on, même si les deux autres s’ouvrent progressivement.

Sur l’infrastructure, l’opinion est largement à la convergence. Le mot « commodité » ressort souvent. On nous cite, par exemple, les SaaS de chunking « au coût négligeable » et la normalisation des tokenizers qui favorise la portabilité des RAG.

MCP, dénominateur commun mais pas universel

Il existe, plus globalement, une certaine parité sur les éléments nécessaires à l’industrialisation (sécurité, habilitation, évaluations…), nous explique-t-on. L’arrivée de standards d’industrie y contribue. MCP en tête, même si, nous signale-t-on, il n’est pas forcément la meilleure manière d’exposer des API. Google Cloud a d’ailleurs fait la part des choses : s’il a « MCPisé » ses services, il propose d’autres voies d’interaction, comme Workspace CLI et Antigravity CLI.

Si l’infra n’est pas un grand marqueur de différenciation entre clouders, elle leur donne un avantage sur les labs IA. Claude a aujourd’hui un meilleur rapport coût/performance sur GCP que sur les serveurs d’Anthropic, témoigne un partenaire Google Cloud.

Une convergence dans l’impulsion de l’IA agentique, moins dans les cibles

Clients et partenaires sont globalement de l’avis que les « trois grands » convergent dans leur manière d’impulser l’IA agentique. Leur historique joue néanmoins. AWS reste orienté B2B. Il est, par exemple, le seul à pouvoir revendiquer de véritables use cases en modernisation mainframe. Microsoft, au contraire, est orienté B2C. Google l’est aussi majoritairement. On lui prête, en parallèle, un mindset plus « ouvert »… au risque d’abandonner plus facilement des produits. On nous mentionne, à ce propos, la mauvaise surprise qu’avait eue Veolia à l’annonce de l’arrêt de Google Cloud Print, alors qu’il avait standardisé son parc sur du Chromebook.

Quand on demande directement aux équipes de Google Cloud, elles revendiquent en premier lieu l’historique du groupe en matière de recherche fondamentale. En vitrine, DeepMind, à qui on doit l’article fondateur « Attention is All You Need »… et, entre autres, AlphaFold, que nous a spontanément cité un partenaire (ce modèle ouvert prédit la structure des protéines à partir de leur séquence en acides aminés).

La séparation des responsabilités remise en cause

Convergence ou divergence, le paradigme agentique remet en tout cas en cause certaines bonnes pratiques. Dont la séparation des responsabilités dans les systèmes, selon Nacim Rahal, VP data & IA de Doctolib, intervenu lors de la keynote. « On peut avoir un agent capable de faire plein de choses différentes. Des choses qui impactent les systèmes eux-mêmes, mais aussi le design de l’organisation qui va permettre de les produire. On va avoir des product managers qui vont directement modifier les prompts des systèmes. Des data engineers, ML engineers et software engineers qui se retrouvent à travailler ensemble sur le même genre de tâche ».

Sur les 25 000 employés de RATP Dev, « plus de 1000 » ont basculé sur Gemini Enterprise. « On n’a pas été des early adopters », admet Hiba Farès, présidente du directoire. L’entreprise avait commencé à expérimenter des solutions en 2023, mais elle n’a véritablement poussé au-delà du test & learn qu’à partir de fin 2025. « Je commençais à percevoir une maturité, explique Hiba Farès. Des gens qui parlaient de vrais use cases [pouvant] apporter un ROI intéressant. » « Notre data commençait à circuler un peu trop à l’extérieur de l’entreprise », admet-elle aussi, évoquant « 50 requêtes de shadow AI par collaborateur sur les devices professionnels ».

« Voir en apprentissage ces gens qui ont une vraie autorité sur le métier, ça a débloqué quelque chose », déclare l’intéressée à propos du codir, qui est allé se former chez Google. RATP Dev a aussi 50 « champions » volontaires… qui ne viennent pas de l’IT, ni du digital. « Ce ne sont pas des spécialistes du métier. Ce sont les personnes auxquelles vous avez envie de parler autour de la machine à café. » Ces « capteurs de terrain » font remonter, au quotidien, les besoins et les points de friction.

Illustration générée par IA

The post Entre hyperscalers, les stacks agentiques se suivent… et se ressemblent ? appeared first on Silicon.fr.

DynamoDB pour gérer le contexte, S3 pour centraliser les configurations d’agents, Lambda pour orchestrer les outils et l’observabilité… À l’origine, il y avait un peu de tout ça dans la plate-forme GenAI de La Centrale.

Cette v1 a permis la mise en prod d’une vingtaine de cas d’usage. Parmi eux, la création de descriptions à partir des données de véhicules pour rendre les annonces plus attractives. Ou l’aide au pricing pour les vendeurs professionnels. Elle s’est cependant révélée inadaptée pour faire du multi-agent. Et, dans une certaine mesure, du multifournisseur. Il fallait en tout cas un certain « effort d’implémentation » pour sortir de l’écosystème Bedrock et se brancher en direct avec OpenAI, par exemple.

Quoique flexible (couche applicative au-dessus de l’API Converse), cette plate-forme était par ailleurs de moins en moins pertinente à mesure que les frameworks du marché gagnaient en maturité, selon Fabien Roussel, head of architecture chez Groupe La Centrale.

Des agents en tant qu’outils

Pour la v2, La Centrale a basculé sur AgentCore, en y associant Strands Agents, un SDK open source (Python, NodeJS) made in AWS.

« On peut faire du multi-agent sans faire nous-mêmes le code de collaboration », explique Fabien Roussel. Il ajoute que Strands Agents fournit des intégrations natives avec OpenAI & C^ie. Ainsi qu’avec AgentCore (exemple avec la brique de gestion de la mémoire : « Ce n’est pas nous qui allons coder le GET et le PUT »).

Ce socle a permis d’améliorer l’assistant de recherche de véhicules que La Centrale avait déployé en 2024. Notamment grâce au pattern agent as tool : Strands Agents peut encapsuler des agents en tant qu’outils.

Sur cet assistant de recherche, l’agent principal (l’orchestrateur) qualifie la demande de l’utilisateur, y répond s’il le peut et délègue sinon à des agents spécialisés… traités, donc, en tant qu’outils. D’une part, Caraguide, spécialisé dans le conseil auto, à l’appui d’un RAG basé sur Caradisiac, le site éditorial du groupe. De l’autre, Free Text Search, qui normalise les données véhicule puis appelle l’API de recherche.

Chaque agent est déployé dans son runtime, avec une mémoire à court et long termes.

« Environ 1 $ » pour adapter des articles

Caradisiac porte un autre cas d’usage : la transformation de son contenu éditorial pour l’intégrer sur La Centrale. À la fois pour l’aide à la décision des utilisateurs en début de parcours et pour améliorer le positionnement sur les moteurs de recherche.

Le processus implique une vingtaine d’agents. Il prend environ 10 minutes par article. Coûts LLM : environ 1 $ (les coûts de compute sont négligeables, affirme Fabien Roussel).

Les agents travaillant ensemble, ils partagent un runtime.

Les deux cas d’usage exploitent des serveurs MCP managés déployés avec AgentCore Gateway.

La Centrale a opté pour un serveur MCP par domaine. Une gateway pour tous les outils n’était pas envisageable (« On explose le contexte »). Une gateway par outil ne l’était pas non plus (« C’est trop fin, trop petit, on ne peut pas scaler »).

Pour l’authentification des agents, c’est de l’OAuth 2 avec Cognito derrière. Pour l’authentification entre la passerelle et les outils, cela dépend : clés pour les API, IAM pour les fonctions Lambda.

Au-delà des déploiements dans AgentCore Runtime, le système gère aussi les agents externes.

Illustration principale générée par IA

The post Comment La Centrale a passé sa plate-forme GenAI du mono au multi-agent appeared first on Silicon.fr.